論文の概要: I\textsuperscript{2}RiMA: Spectral Riemannian Representation with Temporal Attention for Mental Stress Detection based on EEG Signals

• arxiv url: http://arxiv.org/abs/2607.01279v1
• Date: Wed, 01 Jul 2026 07:23:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.521475
• Title: I\textsuperscript{2}RiMA: Spectral Riemannian Representation with Temporal Attention for Mental Stress Detection based on EEG Signals
• Title（参考訳）: I\textsuperscript{2}RiMA:脳波信号に基づく心的ストレス検出のための時間的注意を伴うスペクトルリーマン表現
• Abstract要約: 識別的ストレス関連パターンは主観的依存と周波数依存の両方であるため、クロスオブジェクトEEGストレス検出は困難である。 脳波を用いたストレス検出のためのイントラインターリーマン多様体注意ネットワークを提案する。 精度は82.78%まで向上し、パラメータは1.60M、FLOPは31.95Mに留まった。
• 参考スコア（独自算出の注目度）: 14.944883272011445
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cross-subject EEG stress detection remains challenging because discriminative stress-related patterns are both subject-dependent and frequency-specific. Conventional Riemannian methods model spatial covariance mainly in the time domain, overlooking neural oscillations that are critical for high-level cognitive state decoding, while standard temporal tokenization often fragments inter-slice temporal coherence. To address these limitations, we propose \method{}, an Intra-Inter Riemannian Manifold Attention Network for EEG-based stress detection. \method{} constructs spatial covariance matrices independently at each frequency point and maps them to the SPD tangent space, preserving channel-wise geometry together with frequency-specific discriminative cues. It further introduces frequency cluster aggregation to select informative spectral components and reduce redundancy by forming compact, data-driven frequency clusters aligned with EEG rhythms. Finally, an intra-inter slice attention module adaptively integrates local slice-level spectral dynamics and global temporal context across EEG sequences. Experiments on three datasets show that \method{} consistently outperforms five state-of-the-art baselines, achieving up to 82.78\% balanced accuracy while remaining efficient with only 1.60M parameters and 31.95M FLOPs.
• Abstract（参考訳）: 識別的ストレス関連パターンは主観的依存と周波数依存の両方であるため、クロスオブジェクトEEGストレス検出は依然として困難である。 従来のリーマン法は主に時間領域で空間的共分散をモデル化し、高レベルの認知状態復号に不可欠な神経振動を見渡す。 これらの制約に対処するため,脳波を用いたストレス検出のためのインターリーマン多様体注意ネットワークである 'method{} を提案する。 \method{} は空間共分散行列を各周波数点で独立に構成し、それらをSPD接空間にマッピングし、周波数固有判別キューと共にチャネルワイズ幾何を保存する。 さらに、周波数クラスタアグリゲーションを導入し、EEGリズムに沿ったコンパクトでデータ駆動の周波数クラスタを形成することで、情報スペクトル成分の選択と冗長性を低減する。 最後に、インタースライス・アテンション・モジュールは、局所スライスレベルのスペクトル力学とEEGシークエンスにおける大域的時間的文脈を適応的に統合する。 3つのデータセットの実験では、‘method{} は5つの最先端ベースラインを一貫して上回り、最大82.78\%のバランスの取れた精度を達成し、パラメータは 1.60M と 31.95M のFLOP に留まった。

関連論文リスト

• Beyond Random Partitioning: Unsupervised Spatio-Temporal Stratification for Cohort Balancing in Longitudinal Medical Imaging [0.9530026127073782]
  標準化された6次元関節強度時間的特徴空間上での肘群K平均クラスタリングを組み合わせた非教師付き時間的コホートバランス標準動作手順(SOP)を定式化する。 コントラストが強化された$T1$-izable 脳MRIコホートでは、従来のランダムシャッフルでは最大サブセット強度バイアスが34.1%から2.1%以下に減少する。
  論文  参考訳（メタデータ） (2026-07-29T09:33:19Z)
• Sequential RC-TGAN: Generating Relational Time Series with Spectral Envelope Loss [2.6599014990168834]
  本稿では,RC-TGANフレームワークの時間拡張であるSequential RC-TGAN(Seq. RC-TGAN)について紹介する。 エンド・ツー・エンドのアプローチは、循環パターンの再現や長期的季節性において最先端のシステムよりも著しく優れています。
  論文  参考訳（メタデータ） (2026-06-30T16:09:10Z)
• SRENet: Spectral Re-Entry Network for Point Cloud Action Recognition [49.508770157706486]
  本研究では,行動認識の周波数視点から,大域的文脈と微粒な動きの時間的ダイナミクスを学習するためのSRENetを提案する。 SRENetは、ポイントクラウドベースのアクション理解における周波数モデリングの有効性を検証し、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-02T05:11:47Z)
• VACE: Learning Geometrically Structured Representations for Time Series Anomaly Detection [0.788278500923222]
  VACEは自己監督型異常検出法である。 これは埋め込み空間におけるコンパクトで方向整合性のある領域を表す。 より大規模な予算で訓練された、より複雑な手法よりもはるかに優れています。
  論文  参考訳（メタデータ） (2026-05-22T11:07:09Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram [6.62414474989199]
  スペクトル領域にファジィクラスタリングフレームワークを導入し、変数間の周波数特異なモノトニックな関係を抽出する。 本手法は、クラスタリング精度を向上させるために、周波数ベースのクロスリージョン接続パターンを優先的に活用する。 フラッグシップアプリケーションとして脳波記録を解析し,潜在認知状態の周波数・接続性特異的マーカーを明らかにする。
  論文  参考訳（メタデータ） (2025-06-28T12:02:01Z)
• Omni-Dimensional Frequency Learner for General Time Series Analysis [12.473862872616998]
  スペクトル特徴の3つの側面の奥行き解析に基づいて,Omni-dimensional Frequency Learner (ODFL) モデルを提案する。 本手法は,非定常周波数帯域に着目した意味適応型大域的フィルタとチャネル次元間の部分演算からなる。 ODFLは、短期および長期予測、計算、分類、異常検出を含む5つの主流時系列分析タスクにおいて、一貫した最先端を達成している。
  論文  参考訳（メタデータ） (2024-07-15T03:48:16Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Spatiotemporal k-means [39.98633724527769]
  マルチスケールクラスタを解析できるk-means (STk) と呼ばれる2つの時間クラスタリング手法を提案する。 我々は、STkMがより複雑な機械学習タスク、特にビデオにおける関心の検出と追跡の教師なし領域にどのように拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-11-10T04:40:31Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。